論文の概要: Private and Collaborative Kaplan-Meier Estimators

• arxiv url: http://arxiv.org/abs/2305.15359v2
• Date: Mon, 29 Jul 2024 17:28:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-31 01:16:44.576427
• Title: Private and Collaborative Kaplan-Meier Estimators
• Title（参考訳）: プライベートおよびコラボレーティブなカプラン量推定器
• Authors: Shadi Rahimian, Raouf Kerkouche, Ina Kurth, Mario Fritz,
• Abstract要約: データの様々な機能に差分プライバシーを適用する際の柔軟性を提供する2つの新しい差分プライベート手法を導入する。 厳密なプライバシー保証を伴うKaplan-Meier曲線の同時推定を可能にする様々な経路を提案する。
• 参考スコア（独自算出の注目度）: 44.61287171386347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kaplan-Meier estimators are essential tools in survival analysis, capturing the survival behavior of a cohort. Their accuracy improves with large, diverse datasets, encouraging data holders to collaborate for more precise estimations. However, these datasets often contain sensitive individual information, necessitating stringent data protection measures that preclude naive data sharing. In this work, we introduce two novel differentially private methods that offer flexibility in applying differential privacy to various functions of the data. Additionally, we propose a synthetic dataset generation technique that enables easy and rapid conversion between different data representations. Utilizing these methods, we propose various paths that allow a joint estimation of the Kaplan-Meier curves with strict privacy guarantees. Our contribution includes a taxonomy of methods for this task and an extensive experimental exploration and evaluation based on this structure. We demonstrate that our approach can construct a joint, global Kaplan-Meier estimator that adheres to strict privacy standards ($\varepsilon = 1$) while exhibiting no statistically significant deviation from the nonprivate centralized estimator.
• Abstract（参考訳）: カプラン・メイヤー推定器は、コホートの生存挙動を捉え、生存分析に必須のツールである。 その精度は、大規模で多様なデータセットによって改善され、データ保持者がより正確な推定のために協力するように促される。 しかし、これらのデータセットは機密性の高い個人情報を含むことが多く、単純なデータ共有を妨げる厳格なデータ保護措置を必要とする。 本研究では,差分プライバシーをデータの様々な機能に適用する柔軟性を提供する2つの新しい差分プライベート手法を提案する。 さらに,異なるデータ表現間の容易かつ迅速な変換を可能にする合成データセット生成手法を提案する。 これらの手法を用いることで,カプラン・マイアー曲線を厳密なプライバシー保証付きで同時推定できる様々な経路を提案する。 本研究は,本課題の方法の分類学と,この構造に基づく広範囲な実験的調査と評価を含む。 我々は,厳密なプライバシー基準(\varepsilon = 1$)に準拠したグローバルなKaplan-Meier推定器を,非プライベートな集中型推定器から統計的に有意な偏差を示さずに構築できることを実証した。

関連論文リスト

• Pseudo-Probability Unlearning: Towards Efficient and Privacy-Preserving Machine Unlearning [59.29849532966454]
  本稿では,PseudoProbability Unlearning (PPU)を提案する。 提案手法は,最先端の手法に比べて20%以上の誤りを忘れる改善を実現している。
  論文  参考訳（メタデータ） (2024-11-04T21:27:06Z)
• Scaling Laws for the Value of Individual Data Points in Machine Learning [55.596413470429475]
  個々のデータポイントの値のスケーリング行動を調べることによって、新しい視点を導入する。 スケーリング法則を支持するための学習理論を提供し、それが様々なモデルクラスにまたがっていることを実証的に観察する。 私たちの研究は、個々のデータポイントの値のスケーリング特性を理解し、活用するための第一歩です。
  論文  参考訳（メタデータ） (2024-05-30T20:10:24Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Federated Experiment Design under Distributed Differential Privacy [31.06808163362162]
  我々は,サービス提供者に対する信頼を最小限にしつつ,ユーザのプライバシの厳格な保護に注力する。 現代のA/Bテストにおいて重要な要素であるが、これまではプライベート分散実験は研究されていない。 これらのメカニズムは、実際に一般的に見られる非常に多くの参加者を扱うために、どのようにスケールアップできるかを示す。
  論文  参考訳（メタデータ） (2023-11-07T22:38:56Z)
• Differentially Private Linear Regression with Linked Data [3.9325957466009203]
  コンピュータ科学の数学的概念である差分プライバシーは、堅牢なプライバシー保証を提供する上昇するツールである。 最近の研究は、個々の統計および機械学習タスクの微分プライベートバージョンの開発に焦点を当てている。 相関データを用いた線形回帰のための2つの微分プライベートアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-01T21:00:19Z)
• Approximate, Adapt, Anonymize (3A): a Framework for Privacy Preserving Training Data Release for Machine Learning [3.29354893777827]
  データリリースフレームワークである3A(Approximate, Adapt, Anonymize)を導入し、機械学習のデータユーティリティを最大化する。 本稿では,実データセットと民生データセットでトレーニングしたモデルの性能指標の相違が最小限に抑えられることを示す実験的な証拠を示す。
  論文  参考訳（メタデータ） (2023-07-04T18:37:11Z)
• Private Set Generation with Discriminative Information [63.851085173614]
  異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。 既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。 我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2022-11-07T10:02:55Z)
• Combining Public and Private Data [7.975795748574989]
  分散を最小化するために最適化された平均の混合推定器を導入する。 ユーザのプライバシニーズに比例してデータをサブサンプリングすることで、個人のプライバシを保護する手法よりも、当社のメカニズムの方が望ましい、と我々は主張する。
  論文  参考訳（メタデータ） (2021-10-29T23:25:49Z)
• Parametric Bootstrap for Differentially Private Confidence Intervals [8.781431682774484]
  本研究では,個人差分パラメトリック推定のための信頼区間を構築するための実用的,汎用的なアプローチを開発する。 パラメトリックブートストラップは単純で効果的な解であることがわかった。
  論文  参考訳（メタデータ） (2020-06-14T00:08:19Z)
• Differentially Private Federated Learning with Laplacian Smoothing [72.85272874099644]
  フェデレートラーニングは、ユーザ間でプライベートデータを共有せずに、協調的にモデルを学習することで、データのプライバシを保護することを目的としている。 敵は、リリースしたモデルを攻撃することによって、プライベートトレーニングデータを推測することができる。 差別化プライバシは、トレーニングされたモデルの正確性や実用性を著しく低下させる価格で、このような攻撃に対する統計的保護を提供する。
  論文  参考訳（メタデータ） (2020-05-01T04:28:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。